墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.3k累计阅读
1.3k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
在 FPGA 开发过程中，使用 Allegro 进行电路板设计是常见的做法。当需要快速更改整个电路板的线宽时，Allegro 提供了一些方便的操作指南。本文将详细介绍如何使用 Allegro 进行快速的线宽更改，并提供相应的源代码示例。
打开 Allegro 设计工具：首先，打开 Allegro 设计工具并加载需要进行线宽更改的电路板设计文件。
导航到线宽编辑器：在 Allegro 工具栏中，选择 “编辑” -> “设置” -> “线宽”。这将打开线宽编辑器界面。
选择整个电路板：在线宽编辑器中，选择 “选择” -> “整个板”。这将选择整个电路板上的所有线路。
更改线宽设置：在线宽编辑器的菜单栏中，选择 “编辑” -> “属性”。这将打开线宽属性对话框。
修改线宽数值：在线宽属性对话框中，您可以更改线路的线宽数值。根据您的需求，选择适当的线宽数值并应用到选定的所有线路上。
下面是一个示例的源代码，展示了如何在 Allegro 中进行线宽更改：
; 打开 Allegro 设计工具
(open-allegro-design-tool)
AD、Pads、Allegro三款PCB设计软件核心差异与选型指南
PCB设计软件是电子硬件开发的底层基础设施，其选型直接决定项目交付效率、团队协作质量与制造一次通过率。Altium Designer（AD）以文档中心化架构支撑个体高效执行，适合中小项目快速迭代；Mentor Pads采用逻辑-物理分离的模块化文件体系，天然适配分工明确的中小研发团队；Cadence Allegro基于数据库驱动与约束管理，构建企业级设计治理能力，支撑高速、高可靠、多角色协同的复杂系统开发。三者在文件结构、3D集成、高速规则实现、制造输出验证及ECN流程嵌入等维度存在本质差异。工程师需跳出参
Cadence Allegro/OrCAD X 25.1：AI驱动的PCB设计智能化升级解析
电子设计自动化（EDA）是现代电子产品开发的核心工具链，其核心原理是通过软件辅助完成电路设计、仿真、布局布线等一系列复杂任务，旨在提升设计效率与可靠性。随着人工智能技术的发展，AI正逐步赋能EDA工具，其技术价值在于将工程师从重复性劳动中解放，实现从规则执行到意图理解的转变。在PCB设计这一关键应用场景中，AI可应用于智能约束管理、自动布局布线、实时设计规则检查等环节，显著提升高速、高密度电路板的设计质量与迭代速度。本文聚焦Cadence Allegro/OrCAD X 25.1版本，深入解析其如何通过AI
PCB设计入门到工程实战：从层叠结构到Gerber输出全流程解析
PCB是电子产品中承载电气连接与机械固定的基础载体，其设计质量直接影响产品的稳定性与可靠性。一块看似简单的绿色板子，背后涉及层叠结构规划、阻抗匹配、电源布局、信号回流路径等复杂原理。工程师在完成原理图设计后，需要将网表映射为物理封装，通过布局布线、DRC检查，最终导出Gerber文件交付板厂制造。对于高频信号场景，如USB、以太网、HDMI等接口，差分阻抗控制与完整地平面设计是保障信号完整性的关键环节；而开关电源布局、盲埋孔设计以及Altium Designer、Cadence等工具的高频操作问题，也是实际
手把手教你玩转Cadence HDL：原理图设计中的5个隐藏技巧（含COLOR设置）
本文面向中高级Cadence HDL用户，深入解析原理图设计中五个提升效率的隐藏技巧。重点介绍了如何通过深度配置COLOR设置实现复杂设计的视觉化管理，并详细讲解了利用$和?符号实现元件标号自动化、精确控制交叉点样式、安全重命名工程以及优化栅格与捕捉设置等核心方法，帮助工程师大幅提升设计速度与图纸专业性。
打通EDA工具链：OrCAD与WG2005原理图到PCB的无缝对接实战
在电子设计自动化（EDA）领域，工具链的集成与数据交换是提升设计效率、保证设计一致性的核心环节。其基本原理在于通过标准化的数据格式（如网表）在不同工具间传递设计信息，从而实现从逻辑设计到物理实现的平滑过渡。这一过程的技术价值在于，它打破了工具壁垒，允许工程师根据项目需求灵活选用最擅长的前端原理图工具与后端PCB设计工具，构建高效、可靠且可追溯的硬件开发流程。在实际应用场景中，尤其是在涉及复杂多层板、高速信号或历史资产继承的项目里，实现如Cadence OrCAD Capture与Siemens EDA WG
Allegro给pin添加花连属性操作指导
左边选择DYN_FIXED_THERM_WIDTH和DYN_THERMAL_CON_TYPE属性。在设计的时候，考虑到焊接的良品率以及后续返修更加方便，会对器件的pin进行花连设计，如下图。DYN_FIXED_THERM_WIDTH输入花连的线宽，比如15。DYN_THERMAL_CON_TYPE也可以选择DIAGONAL。上面是对通孔pin的设置，SMD pin也是同样的操作，效果如下图。DYN_THERMAL_CON_TYPE选择ORTHOGONAL。点击ok，得到花连效果。
Allegro如何改变线宽操作指导
用Allegro做pcb设计的时候，改变走线线宽是非常常用的功能，如下图。线宽目前是12mil，需要把线宽改成15mil。如何改变线宽操作指导。
Allegro中如何调整PCB工艺中的线宽操作指导
在PCB设计中，线宽是一个非常重要的参数，它直接影响到电路板的信号传输、功耗以及制造工艺。在Allegro PCB设计软件中，我们可以轻松地进行线宽的调整，以满足不同的工艺要求。按比例缩放：选择 “按比例缩放” 选项，并输入所需的比例值。此选项将根据原始线宽的比例缩放来改变线宽。手动输入数值：选择 “手动输入” 选项，并输入所需的线宽数值。在菜单栏中选择 “编辑” -> “修改” -> “线宽”，或者使用快捷键 “W”。在弹出的对话框中，你可以选择两种方式来改变线宽：按比例缩放或手动输入数值。
Allegro如何使用自带的功能更改差分的线宽和间距操作指导
在做PCB设计的时候，有时候PCB已经完成了布线，但是因为某些原因更改了层叠导致了差分的线宽和间距发生了变化，导致差分需要重新走一遍，如下图。如果差分数量比较多，重走是比较费时间的，Allegro自身有快速更新差分线宽和间距的功能，具体操作如下。如何使用自带的功能更改差分的线宽和间距操作指导。
ENVI5.6 批量处理GF-2/GF-6/GF-7：从安装到融合的完整自动化流程
本文详细介绍了ENVI5.6环境下批量处理GF-2/GF-6/GF-7卫星数据的完整自动化流程，包括环境配置、工具安装、正射校正、图像融合等关键步骤。通过实战案例和优化技巧，帮助用户高效完成高分卫星影像处理，提升工作效率。特别针对GF-6和GF-7的特殊处理要点进行了深入解析。
RTC时钟芯片替换代码移植-IIC通信
1、问题 RTC时钟芯片由爱普生RX-8010SJ更换成大普INS5710A，两者都是IIC通信，更换大普芯片后时钟不走、以及报掉电错误。仿真分析原因是CPU和RTC芯片收发数据延时不够导致，根据爱普生芯片手册，8010收发数据不采取延时，但大普芯片采用同样方式读取不行(需要加延时) 2、RX-8010SJ手册说明（以读取数据为例） （1）寄存器读操作时序图 指定地址读操作： 1）CPU 发送开始条件[S] 2）CPU 传输RX-8010SJ 的从地址，用R/W 位设定写模式 3）检测从RX-8010
Delphi开发者必备：CEF4Delphi跨平台浏览器嵌入实战指南（含Lazarus适配）
本文详细介绍了Delphi开发者如何利用CEF4Delphi实现跨平台浏览器嵌入，包括环境配置、Lazarus适配、ARM架构优化及Firemonkey集成等实战技巧。通过Chromium引擎的强大功能，开发者可以轻松为传统桌面应用添加现代浏览器特性，提升多平台开发效率。
[苹果开发者账号]03 申请APPID、苹果开发者账号 常见问题整理
目录：问题持续更新问题一：提示：抱歉，您暂时不能注册问题二：Apple Developer Support提示：联系我们以继续流程 问题一：提示：抱歉，您暂时不能注册 申请苹果开发者账号，应该先注册AppleID，由于很多都是申请的公司使用的苹果开发者账号。一般操作申请动作的人，可能是新手操作，也可能图方便，有些信息会随便填写。 有些人会把姓名填写为，公司的产品、简称、缩写等等。这是不对的。 还有出生日期也会随便乱填。生日如果填写的不对，会被苹果限制使用一些功能的(苹果给的提示不是太明确)。 当生日填写的
从代码仓库到知识库：自动化构建与RAG技术实践
在软件工程领域，代码库的规模与复杂性日益增长，如何高效管理和利用其中的知识成为关键挑战。传统文档工具主要依赖注释提取API信息，而现代知识构建技术则通过抽象语法树（AST）解析、自然语言处理等手段，深入理解代码结构、调用关系和业务逻辑。其核心价值在于将非结构化代码转化为机器可理解、可检索的结构化知识，显著提升代码资产的可维护性和团队协作效率。这一过程通常涉及代码解析、信息提取、向量化表示和存储索引四个关键阶段，其中向量化技术将代码语义转化为高维向量，为语义搜索奠定基础。结合检索增强生成（RAG）架构，开发者
fatal: unable to access ‘https://github.com/xxx.git/‘ OpenSSL SSL_connect: SSL_ERROR_SYSCALL 解决方案
本文主要介绍了fatal: unable to access ‘https://github.com/xxx.git/’: OpenSSL SSL_connect: SSL_ERROR_SYSCALL in connection to github.com:443解决方案，希望能对使用git的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案
CQE和SQE 以及 PQA和DQA的区别
：PQA聚焦产品全生命周期流程管理，DQA专注于设计阶段的质量控制。
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
381
扫一扫
